基于異步卷積分解與分流結構的單階段檢測器

趙蓬輝，孟春寧，常勝江

（1.南開大學 電子信息與光學工程學院 現代光學研究所，天津300350；2.中國人民武裝警察部隊海警學院 電子技術系，寧波315801）

目標檢測作為計算機視覺領域的關鍵技術，一直是具有挑戰性的研究熱點。Viola和Jones［1］于21世紀初提出了Viola-Jones算法首次在計算資源有限的情況下實現了實時的人臉檢測。2005年，Dalal與Triggs［2］提出的HOG（Histogram of Oriented Gradient）行人檢測器拓展了Viola-Jones算法的檢測領域。Felzenszwalb等［3］提出的可變形部件模型（Deformable Part based Model，DPM）及其后續優化算法連續3年獲得目標類別視覺挑戰賽（The PASCAL Visual Object Classes Challenge）［4］的冠軍，代表了當時基于手工設計特征的檢測器的最高水平。然而，基于手工設計特征的目標檢測器在目標區域選擇上策略針對性差，窗口計算冗余量大，尤其針對環境多樣性變化和遮擋問題沒有很好的魯棒性［5］。因此，早期的目標檢測算法難以達到實用的要求，陷入發展停滯期。

得益于卷積神經網絡的迅速發展，Girshick等于2014年提出了區域卷積神經網絡結構（Regions with Convolutional Neural Networks features，R-CNN）［6］，標志著目標檢測擺脫了緩慢發展的困境，進入了新的發展階段。此后涌現出的基于深度學習的目標檢測算法大致可分為2類：兩階段分類回歸系列與單階段回歸系列。

R-CNN主要計算流程由2部分組成，分別是類別分類和位置回歸。此后，在R-CNN基礎上提出的SPP-Net［7］、Fast R-CNN［8］、Faster R-CNN［9］、FPN（Feature Pyramid Networks）［10］等算法均將檢測任務分成分類問題和位置回歸2類問題。因此，這類算法統稱為兩階段分類回歸系列。隨著目標檢測數據集的逐漸豐富和網絡訓練技巧的不斷優化，該系列檢測算法的平均檢測精度得到迅速提升。兩階段分類回歸系列算法雖然能取得70%以上的平均精度均值，但其網絡結構過于復雜，不僅導致前期的網絡訓練時間較長，也致使網絡參數量較大，難以保證實時性。為獲得較高的檢測幀率，兩階段分類回歸系列算法需要苛刻的GPU硬件配置條件，且不利于將算法移植到移動終端。提高檢測精度的同時，保證檢測速度日益成為工業界的實際需求。為兼顧精度與速度，單階段回歸算法應運而生。

Redmon等［11］于2015年提出的端到端一體化網絡YOLO v1在VOC 07［4］（Pascal VOC 2007）上取得66.4%的平均精度均值，雖然平均檢測精度低于大部分兩階段分類回歸算法，但檢測處理速度最高可達155幀/s。此后，為提高檢測精度，陸續出現YOLO9000［12］、SSD［13］、YOLOv3［14］等單階段回歸算法。這類算法將分類問題與位置回歸問題統一成一個回歸計算問題，與R-CNN等算法形成鮮明對比。為進一步提高平均精度均值，Liu等在SSD的基礎上先后提出DSSD［15］、DSOD［16］等優化的SSD類算法。在檢測流程中，SSD類算法采用錨箱［8］在多層特征圖上以不同比例與尺寸的建議框進行回歸計算，一次性檢測物體的類別與位置。SSD類算法相對兩階段分類回歸算法計算簡單且參數量較少，能夠在一定程度上兼顧檢測精度與速度。

SSD中的多層次回歸計算思想優于單一特征圖上的目標檢測，利于消除YOLO v1中存在的近鄰目標檢測“競爭”現象［11］，DSSD等算法繼承了SSD多層回歸計算的特點，通過改進高層框架結構以提升平均精度均值。然而，SSD多層回歸計算在結構上存在回歸特征圖（檢測所基于的多層特征圖層）層與層之間相對獨立的情況。雖然通過高層結構改造可在一定程度上提升平均精度，但改造后的復雜結構又影響了檢測速度，難以保證實時性［14，16］。

為解決SSD系列算法存在的層間回歸計算相對獨立的問題，保證目標檢測實時性的同時，進一步提高檢測精度，本文基于SSD構造了一種底層結構為卷積神經網絡［17］的基于異步卷積分解與分流結構的單階段檢測器（Single Shot mutibox Detection based on Asynchronous convolution Factorization and shunt structure，FA-SSD）。在底層網絡結構中，為避免網絡結構過于復雜，以單鏈無分支的卷積神經網絡結構為基礎。在高層網絡結構中，采用異步卷積分解的兩層卷積層與池化層相結合的降維方式，保證空間相關信息的同時，提高特征的多樣性。此外，FA-SSD借鑒殘差神經網絡［18］的交融結構，提出一種分流（shunt）結構交錯連接多層回歸特征圖，增強多層回歸計算之間的統一性與協調性。

FA-SSD網絡的創新點可歸納如下：

1）借鑒Inception模型［19］中的卷積分解思想，增加了不同方向不同步長的異步卷積策略，提出一種異步卷積分解算法。采用異步卷積分解算法構造的兩層卷積層，與SSD采用一層卷積對特征圖降維相比，可在不增加計算量的情況下，提高提取特征的非線性表達能力。

2）基于異步卷積分解算法構造了一種shunt結構，從原有高層網絡結構（主流結構）中分出包含兩層采用異步卷積分解的卷積層組成的shunt結構，同時與主流結構實現特征交融，解決了各層回歸計算相對獨立的問題，增強了多層回歸計算之間的統一性與協調性。在shunt結構中采用異步卷積分解算法構造的卷積層可在降低特征圖維度的同時，增加特征圖之間的交融過程，改善空間相關信息缺失的問題。

3）優化了高層網絡結構中的主流結構。首先使用池化層代替原有結構中的步長為2的卷積層，在主流結構和shunt結構中同時使用池化和卷積兩種降維方式，提升特征的多樣性；然后在每次交融的特征圖后增加一層步長為1大小為1×1的卷積層以提升回歸特征圖之間的卷積深度，擴大各層回歸特征圖間的特征差異性。

1 SSD網絡結構

SSD算法的計算流程如圖1所示，其中圖1（a）和（b）為底層特征提取階段，圖1（b）和（c）為非極大值抑制（NMS）篩選多個檢測結果的階段，圖1（b）表示多層回歸特征圖把分類任務與位置回歸任務統一為回歸問題，在高層神經網絡中的多層次特征圖上分別應用不同尺寸的錨箱生成特定長寬比例的建議框，并在建議框上一次性回歸物體類別與位置信息，生成的建議框長寬比有“1、2、3、1/2、1/3”等。

底層結構為VGG結構的SSD網絡框架如圖2所示，高層結構中的多層回歸特征圖分別為block4、fc7、block8、block9、block10、block11。其中上述名稱分別表示神經網絡中每個卷積命名區域中最后的特征圖層。黑色圓表示卷積（conv），采用大小為“3×3”，步長為（1，1）的兩層卷積核，即2kernal3×3_s1。紅色三角形表示池化（pool），采用大小為“2×2”，步長為（2，2）的一層最大池化，即 pool2×2_s2。上 述 6 層 特 征 圖 層共生成8732個特定比例與尺寸的建議框，每個框架檢測出的結果經過非極大值抑制篩選，得出最終檢測的位置和類別。

圖1 SSD算法計算流程Fig.1 Computation procedure of SSD algorithm

SSD計算過程可表示底層與高層兩部分。

底層神經網絡計算過程可表示為

高層神經網絡計算過程可表示為

式中：fp表示卷積神經網絡中的池化計算（下標p表示相應特征圖層）；f表示卷積運算；fc7和block4，8，9，10，11表 示 回 歸 特 征 圖；block″1，2，3，4表 示 底層網絡中每個卷積區域的最后特征圖層；block′1，2，3，4表 示 卷 積 區 域 其 他 特 征 圖 和 池 化 后 的特征圖；Xi表示相應的特征圖層；R表示回歸運算；D表示分類回歸與位置定位回歸；∪表示范疇中的并集和特征圖在通道維度上的并列交融。

SSD可通過各種復雜交叉的底層網絡改善處理過程中容易丟失空間相關信息的問題以提高特征的多樣性。然而，復雜的高層模型可以提高精度卻難以保證實時的處理速度。由圖2可見，SSD高層網絡結構的回歸特征圖中層與層之間相對獨立，致使多層回歸計算難于統一，例如圖2中block8與block10之間僅用單鏈的四層卷積層間接地通過block9進行聯系，各自通過回歸計算出類別與位置，無法直接建立兩層之間的有效聯系，不利于目標檢測在網絡中的協調統一。為此，本文提出FA-SSD網絡，摒棄復雜的底層與高層網絡結構的改進方法，僅通過優化主流結構和增加一種輕量級的shunt結構增強高層網絡多層回歸特征圖之間的協調性與統一性。

2 FA-SSD網絡結構

FA-SSD的底層網絡基于VGG，高層網絡為多層次的回歸計算結構，如圖3所示，其中紅色虛線框為高層主流結構，黑色圓、紅色三角形和紅色菱形分別表示卷積操作（conv）、池化操作（pool）和回歸特征圖層之間的網絡結構（nn），藍色菱形和對立三角表示shunt結構和特征圖層通道方向上的交融操作。圖中特征圖層的命名方式與圖2相同，高層網絡的回歸特征圖分別為block4、fc7、block8、block9、block10、block11。高 層 結 構 用 兩種方式對特征圖進行降維，分別是shunt結構中的異步卷積分解算法和高層主流結構中的最大池化。FA-SSD 中共有4個 shunt結構，分別是shunt0、shunt1、shunt2和shunt3，用2種連接方式增加回歸特征圖層之間的聯系。4個shunt結構的整體連接方式如圖3所示。最后在6個回歸特征圖上計算出類別與位置，通過NMS進行一定閾值的篩選，得出置信度最高的目標。

搭建的網絡結構包含以下3部分內容。

1）異步卷積分解算法

圖4 異步卷積分解算法Fig.4 Asynchronous convolution factorization algorithm

SSD的高層結構完全應用卷積層搭建，應用步長為2的一層卷積層對特征圖進行降維。為提高非線性表達能力，在使用卷積進行降維的同時，提出一種異步卷積分解算法。該算法借鑒Inception模型中的卷積分解思想，采取不同方向上不同步長的異步卷積策略組合兩層異步卷積分解的卷積層，圖4展示了異步卷積分解算法中的一層的操作過程，其中kernel3×1s（2，1）表示大小為“3×1”的卷積核，在B方向上大小與步長分別為3和2，在A方向上的大小和步長分別為1和1。輸入特征圖在經過一層異步卷積分解的卷積計算后，僅在B方向實現降維。再次經過卷積核kernal1×3s（1，2）的卷積處理后，特征圖在A與B方向分別降低了維度，類似pool2×2s2對特征圖進行處理的效果。與SSD高層網絡中的一層kernal3×3s（2，2）卷積結構相比，kernal3×1s（2，1）與kernal1×3s（1，2）的結合在未增加計算量的同時，提高了網絡的非線性表達能力。與pool2×2s2的最大池化層相比，兩層異步卷積分解的卷積計算既在卷積核大小為“3”方向上保證了像素之間的重疊，即在步長為“2”方向上保證了感受野之間的重疊，保留了足夠的空間相關信息。

2）shunt結構

shunt中的網絡結構即為異步卷積分解算法，shunt連接方式如圖5所示，借鑒殘差網絡模型中的分支交融結構，對主流結構采用2種方式進行連接。block4與fc7之間存在每層含有512個神經元的三層卷積網絡和一層包含1 024個神經元的fc6，網絡層數和神經元個數大于其他回歸特征圖層之間的網絡。為節省計算量、提高回歸特征圖間的聯系，shunt0起始于回歸特征圖層block4，直接與回歸特征圖層block fc7在通道維度進行并聯交融（后續交融或連接均為通道維度的concat交融），與其他shunt結構無交錯跨越的聯系。而shunt1與shunt2之間以及shunt2與shunt3之間存在交錯連接，例如shunt1的交融端位于shunt2的分流（與主流相同的征信息）之后，shunt2則 可 跨 越 block9 直 接 連 接 block8 與block10。如果shunt2起始端位于shunt1交融位置之后，則會因為特征交融導致特征圖通道的倍增，而增加計算量。在通道維度上進行并聯交融之后，特征圖層經過批歸一化［20］處理及回歸計算得出類別與位置信息。通過上述2種shunt連接方式增強高層網絡中多層次的回歸計算之間的聯系，即增強協調性和統一性。

3）高層網絡結構的優化及計算過程

圖6展示了優化后的高層網絡結構中的局部結構，其他局部結構與此類似。實驗搭建了多種網絡結構并進行了訓練及測試，對比實驗結果證明圖6所示的結構取得了最好的測試效果。該結構主要由池化層pool2×2s（2，2）和shunt結構組成，池化層和shunt結構均可實現特征圖的維度降低。其中pool2×2s（2，2）表示大小為“2×2”，2個方向步長為“2”的池化，kernel3×3s（1，1）表示大小為“3×3”，2個方向步長均為1的卷積核，kernal1×1s（1，1）表示大小為“1×1”，2個方向步長均為1的卷積核。

高層網絡結構的優化后，6層回歸計算過程可分為3個部分，即

圖6 高層網絡局部結構Fig.6 Local structure of high-level network

式中：fp與fs分別表示最大池化和異步卷積分解2種降維方式。

多層次的檢測結果D為D1、D2和D3的并集，即

D =D1∪D2∪D3

3 實驗與分析

實驗所用訓練數據集為VOC2007trainval與VOC2012trainval［4］，檢測數據集為VOC2007test［4］。實驗軟件配置為Window10、TensorFlow1.7.0、TensorFlow Layers API、CUDA9.0，硬 件 配 置 為NVIDIA GeForce GTX 1080Ti（一塊）、Intel（R）Xeon（R）CPU E5-2609v4@ 1.70 GHz×16。實驗檢測的基準是算法的百分制（%）平均精度均值m_AP和檢測速度v。

FA-SSD中參與訓練和檢測的圖像大小為300像素×300像素，因此下文稱FA-SSD300。回歸特征圖的大小分別是“38×38”、“19×19”、“10×10”、“5×5”、“3×3”和“1×1”，在上述6種回歸特征圖采用錨箱分別生成建議框，具體建議框參數設置和分類定位閾值設定與SSD算法相應設置相同，參與對比分析的SSD300檢測結果如可見對比實驗部分內容。

采用批次為16，共訓練150 000步。學習率初始設置為0.01，采用分階段控制方式間接調整目標函數優化器。衰減步長邊界設置為：“20000、900 000、130 000”，學習率衰減設置為：“1、0.1、0.005、0.001”。學習率終止邊界設為0.000 01，直至收斂。

為增加所用訓練樣本的價值，在圖像預處理階段對樣本進行隨機地裁剪，顏色擾動、翻轉等數據增廣方式。顏色擾動過程包括圖片顏色的“亮度、對比度、飽和度、色相”4種調整操作，并且隨機改變這4種圖像顏色操作的前后順序，最后統一壓縮為“300像素×300像素”的圖像進行網絡訓練。增廣產生的數據實例如圖7所示。

實驗對FA-SSD的訓練網絡初試參數設定采用VGG參數遷移和參數初始化2種方法。其中，遷移VGG的參數是經過ImageNet［21］數據訓練后獲得的權重。訓練過程中的損失變化如圖8所示，其中loss1與loss2分別是初始化參數和遷移VGG參數下的損失。由圖8可看出，遷移VGG參數的訓練損失loss2收斂速度最快。但2種參數情況下的訓練最終收斂在近似損失水平。

在遷移VGG參數的訓練下，檢測物體的平均精度均值的變化如圖9所示。由圖9可見，除30 000步的檢測結果外，訓練120 000步之前平均精度均逐漸提升。在120000步至終止訓練階段，平均精度均值出現振蕩，分別于120 000步和140 000步達到高峰，因此最終檢測的平均精度均值為80.5%。

圖7 數據增廣Fig.7 Data augmentation

圖8 損失變化曲線Fig.8 Loss variation curves

3.1 基于異步卷積分解算法的shunt結構對實驗結果的影響

FA-SSD中高層網絡共使用了4個shunt結構，即shunt0、shunt1、shunt2和shunt3，如圖5所示。為驗證不同的shunt連接方式對網絡檢測結果的影響，實驗通過調整shunt結構個數，分別搭建了shunt0000、shunt1000、shunt0101、shunt1110、shunt1111進行相同的訓練與檢測。其中，末尾數字串的前后數字順序表示shunt0至shunt3結構的位置順序。“0”表示去除FA-SSD中對應位置的shunt結構，“1”表示保留所在位置的shunt結構，例如Shunt0101表示圖6中僅有shunt1與shunt3結構的FA-SSD網絡結構。

不同數目shunt結構的檢測精度如圖10所示。由圖10可見，僅加深高層主流網絡深度后，shunt0000網絡檢測平均精度均值為77.8%，相對SSD提高0.6%，說明增加回歸特征圖之間的卷積層數可提高檢測精度。此后，每增加一個shunt結構，網絡在保證實時性的同時，進一步提高了平均檢測精度。最后 shunt1111（FASSD300）網絡的檢測平均精度均值達到最高的80.5%，相對SSD提高了3.3%。由平均精度均值提高的幅度可推斷，僅增加高層主流網絡的卷積層數是提高平均精度均值的次要因素，交錯連接的shunt結構是檢測精度提高的主要原因。在增加了shunt結構后，FA-SSD300平均精度均值達到了最高的80.5%，同時保證了檢測的實時性。

圖9 不同迭代次數下的平均精度均值Fig.9 Mean average precision under different numbers of iteration

圖10 不同數目的shunt結構對檢測的影響Fig.10 Influence of different numbers of shunt structure on detection

3.2 高層網絡優化對實驗的影響

為優化異步卷積分解與shunt結構的融合，進一步提高特征的多樣性，本文搭建了如圖11所示的3種高層局部網絡結構（shunt并聯網絡結構）。圖11（a）表示SSD原有的kernal3×3s（2，2）卷積層與shunt結構的結合，圖11（b）與（c）分別表示異步卷積分解結構、最大池化層和shunt結構的搭配。圖11（a）、（b）和（c）分別對應的網絡結構 為FA-SSD0、FA-SSD1、FA-SSD2。FA-SSD1與FA-SSD2中的主流結構中的不同部分，在圖11中標記為紅色。為保證FA-SSD1與FS-SSD2的主流結構深度相同（卷積層數與池化層數），結構（c）相比（b）增加一層kernal1×1s（1，1）的卷積層。在相同條件下對上述3種網絡進行訓練后，在VOC2007test上的檢測結果如圖12所示。FASSD0的平均精度均值為78.3%，相對SSD提升1.1%，檢測速度雖然相對SSD降低11幀/s，但依然能保證實時檢測。FASSD1采用異步卷積分解結構對主流特征圖進行降維，平均精度均值達到80%，相比SSD提高2.8%。主流結構采用最大池化降維時，目標檢測的精度與速度都有進一步的提升。FA-SSD2相比FA-SSD1在平均精度均值和檢測速度上都提高0.5%。FA-SSD1與FASSD2在結構上的主要區別是主流結構上的降維計算方式。FA-SSD1采用一種異步卷積分解結構同時進行特征提取與降維，而FA-SSD2采用異步卷積分解和池化2種不同的降維計算方式，提高特征的多樣性。由于池化計算相對異步卷積分解結構更簡單，FA-SSD2相對FA-SSD1提高了檢測速度。異步卷積分解相對池化更有利于傳遞空間相關信息，同時2種降維方式提高了特征的多樣性，因此FA-SSD2檢測精度達到最高的80.5%。

圖11 高層網絡的優化Fig.11 Optimization of high-level network

圖12 高層結構優化對檢測的影響Fig.12 Influence of high-level structure optimization on detection

3.3 對比實驗

實驗通過端到端的方法訓練FA-SSD300，與近期算法在VOC2007和VOC2012（07+12）中訓練，在VOC2007上進行了對比，結果如表1所示，Faster RCNN與R-FCN屬于兩階段分類回歸算法，雖然訓練用到分辨率最大的圖像，但平均精度均值仍然最低，且不具備實時檢測能力。先后出現的單階段回歸系列算法 YOLOv2、SSD300、DSOD300以及DSSD321的檢測平均精度均值逐步提升。其中，SSD類算法DSOD300、DSSD321雖然較前幾種算法取得了更高的檢測精度，但不能保證實時性，檢測速度分別為17.4幀/s和9.5幀/s。FA-SSD300檢測平均精度均值最高，達到80.5%，且保證了實時檢測。為公平對比檢測速度，采用與本實驗相同的硬件，對SSD的檢測速度進行測試，檢測結果為表1中的SSD300*所示數據。

8種算法在VOC2007test上針對20個常見類別的具體檢測結果對比如表2所示。其中，最高平均精度均值和每個類最高平均精度已標記為黑色粗體數字。

表2中左列5種算法為兩階段分類回歸系列算法，右列3種算法為單價段回歸算法，2類算法各自平均精度最高的網絡分別是R-FCN與FASSD300。雖然與FA-SSD300同樣達到80.5%的平均精度均值，但是R-FCN采用信息提取能力更強的復雜網絡結構ResNet-101［18］，處理速度僅為7幀/s。除平均檢測精度達到最高外，FA-SSD在20類檢測中共有11類達到最高平均精度，其中“Bus”與“Cat”2個類的平均檢測精度均超過90%，分別為90.2%和91.7%。

FA-SSD300在VOC2007test上的部分結果如圖13所示，對難以檢測的密集小目標、遮擋目標和局部大目標均取得了較好的檢測結果。圖13（e）由于像素分辨率低造成一個小目標漏檢，同時（b）和（g）由于目標遮擋過于嚴重造成次要目標漏檢，其他所有位置定位框架均在合理范圍內。

算法 訓練數據 預訓練 底層網絡 圖片大小 建議框數 顯卡 速度/（幀·s-1）m_AP/%Fast R-CNN［8］ 07+12 √ VGGNet 600×1000*300 K40 3.125 66.9 Faster R-CNN［9］07+12 √ VGGNet 600×1 000* 300 K40 5 73.2 R-FCN［22］ 07+12 √ VGGNet 600×1000 300 K40 5.8 75.6 YOLOv2［12］ 07+12 √ Darknet-19 352×352 Titan X 81 73.7 SSD300［13］ 07+12 × VGGNet 300×300 8 732 Titan X 46 74.3 SSD300［13］ 07+12 √ VGGNet 300×300 8 732 Titan X 46 77.2 SSD300*［13］ 07+12 × VGGNet 300×300 8 732 1080Ti 43.5 74 DSOD300［16］ 07+12 × DS/64-192-48-1 300×300 8 732 Titan X 17.4 77.7 DSSD321［14］ 07+12 √ ResNet 321×321 17 080 Titan X 9.5 78.6 FA-SSD300 07+12 × VGGNet 300×300 8 732 1080Ti 30 79.0 FA-SSD300 07+12 √VGGNet 300×300 8 732 1080Ti 30 80.5

類別 Fast R-CNN［8］ Faster R-CNN［9］ ION［22］ R-FCN［23］ MR-CNN［24］ SSD300［13］ DSSD321［14］FA-SSD300 Aero 77.0 76.5 79.2 79.9 80.3 79.5 81.9 86.4 Bike 78.1 79 83.1 87.2 84.1 83.9 84.9 85.9 Bird 69.3 70.9 77.6 81.5 78.5 76 80.5 79.6 Boat 59.4 65.5 65.6 72 70.8 69.6 68.4 73.3 Bottle 38.3 52.1 54.9 69.8 68.5 50.4 53.9 53.6 Bus 81.6 83.1 85.4 86.8 88 87 85.6 90.2 Car 78.6 84.7 85.1 88.5 85.9 85.7 86.2 89.2 Cat 86.7 86.4 87 89.8 87.8 88.1 88.9 91.7 Chair 42.8 52 54.4 67 60.3 60.3 61.1 60.0 Cow 78.8 81.9 80.6 88.1 85.2 81.5 83.5 84.3 Table 68.9 65.7 73.8 74.5 73.7 77 78.7 80.9 Dog 84.7 84.8 85.3 89.8 87.2 86.1 86.7 89.1 Horse 82.0 84.6 82.2 90.6 86.5 87.5 88.7 87.4 Mbike 76.6 77.5 82.2 79.9 85 83.97 86.7 86.5 Person 69.9 76.7 74.4 81.2 76.4 79.4 79.7 83.3 Plant 31.8 38.8 47.1 53.7 48.5 52.3 51.7 54.2 Sheep 70.1 73.6 75.8 81.8 76.3 77.9 78 83.2 Sofa 74.8 73.9 72.7 81.5 75.5 79.4 80.9 82.3 Train 80.4 83 84.2 85.9 85 87.6 87.9 89.2 Tv 70.4 72.6 80.4 79.9 81 76.8 79.4 78.5 mAP/% 70.0 73.2 75.6 80.5 78.2 77.2 78.6 80.5

圖13 FA-SSD300在VOC2007test上的部分檢測結果Fig.13 Partial detection results of FA-SSD300 on VOC2007test

4 結 論

本文基于SSD提出一種基于異步卷積分解與shunt結構的單階段目標檢測器。采用基于異步卷積分解的shunt結構，在沒有進行主流結構優化前，檢測的平均精度均值便可達到80.0%，在不增加計算量的同時，提升了提取特征的非線性表達能力，shunt結構與主流結構的交融提高了回歸特征圖之間的協調性與統一性。構造了包含池化與異步卷積分解的局部結構，優化原有高層主流網絡結構，異步卷積分解與池化兩種降維方式的結合，既有利于空間相關信息的傳遞，也有利于提高特征的多樣性。增加shunt結構并優化主流結構后，平均精度均值達到80.5%，相比SSD提高3.3%，比DSSD321提高了1.9%，同時在一塊1080ti顯卡上取得30幀/s的平均處理速度。

FA-SSD在保證實時性檢測的同時，其平均精度在未采用MS COCO數據庫擴充訓練數據的情況下，便超過近期提出的SSD類算法。為適用于移動終端的相關應用，下一步研究工作將側重于進一步降低網絡規模優化網絡結構。